論文の概要: On Classification Thresholds for Graph Attention with Edge Features

• arxiv url: http://arxiv.org/abs/2210.10014v1
• Date: Tue, 18 Oct 2022 17:32:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 13:36:36.052569
• Title: On Classification Thresholds for Graph Attention with Edge Features
• Title（参考訳）: エッジ特徴を持つグラフ注意のための分類閾値について
• Authors: Kimon Fountoulakis, Dake He, Silvio Lattanzi, Bryan Perozzi, Anton Tsitsulin, Shenghao Yang
• Abstract要約: 我々は,古典的分類課題におけるグラフ注意ネットワークとノードの正確なラベル付け能力を分析し,理論的,実証的に分析する。 注意係数を決定するためにランダムエッジ特徴を入力とする一般グラフアテンション機構を考察する。
• 参考スコア（独自算出の注目度）: 26.01769042481568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent years we have seen the rise of graph neural networks for prediction tasks on graphs. One of the dominant architectures is graph attention due to its ability to make predictions using weighted edge features and not only node features. In this paper we analyze, theoretically and empirically, graph attention networks and their ability of correctly labelling nodes in a classic classification task. More specifically, we study the performance of graph attention on the classic contextual stochastic block model (CSBM). In CSBM the nodes and edge features are obtained from a mixture of Gaussians and the edges from a stochastic block model. We consider a general graph attention mechanism that takes random edge features as input to determine the attention coefficients. We study two cases, in the first one, when the edge features are noisy, we prove that the majority of the attention coefficients are up to a constant uniform. This allows us to prove that graph attention with edge features is not better than simple graph convolution for achieving perfect node classification. Second, we prove that when the edge features are clean graph attention can distinguish intra- from inter-edges and this makes graph attention better than classic graph convolution.
• Abstract（参考訳）: 近年,グラフ上での予測タスクのためのグラフニューラルネットワークが出現している。 支配的なアーキテクチャの1つは、重み付けされたエッジ機能を使って予測できるため、グラフの注意力である。 本稿では,古典的分類課題におけるグラフ注意ネットワークとノードの正確なラベル付け能力について理論的,実験的に分析する。 具体的には,古典的文脈確率ブロックモデル(csbm)におけるグラフ注目の性能について検討する。 CSBMでは、ノードとエッジの特徴は確率ブロックモデルからガウスとエッジの混合から得られる。 注意係数を決定するためにランダムエッジ特徴を入力とする一般グラフアテンション機構を考察する。 第一に, エッジの特徴がうるさい場合, 注意係数の大部分が一定均一であることを示す2つのケースについて検討した。 これにより、完全なノード分類を達成するための単純なグラフ畳み込みよりも、エッジ機能によるグラフの注意が優れていることを証明できます。 第2に,エッジ機能がクリーンなグラフである場合,エッジ間を区別できるため,従来のグラフ畳み込みよりもグラフの注目度が向上することを示す。

関連論文リスト

• Random Geometric Graph Alignment with Graph Neural Networks [8.08963638000146]
  グラフニューラルネットワークは、2つのグラフの頂点間の未知の1対1マッピングを復元可能であることを示す。 また、ノイズレベルの条件が対数的要因に厳密であることも証明した。 ノイズレベルが少なくとも一定である場合、この直接マッチングは完全なリカバリが得られず、グラフニューラルネットワークは、グラフの大きさのパワーと同じくらいの速さで成長するノイズレベルを許容できることを示した。
  論文  参考訳（メタデータ） (2024-02-12T00:18:25Z)
• How to Find Your Friendly Neighborhood: Graph Attention Design with Self-Supervision [16.86132592140062]
  ノイズグラフに対する自己教師付きグラフアテンションネットワーク(SuperGAT)を提案する。 我々は、エッジを予測するために、自己教師型タスクと互換性のある2つの注意形式を利用する。 エッジを符号化することで、SuperGATは、リンクされた隣人を識別する際に、より表現力のある注意を学習する。
  論文  参考訳（メタデータ） (2022-04-11T05:45:09Z)
• Graph Attention Retrospective [14.52271219759284]
  グラフベースの学習は、ソーシャルネットワーク、引用ネットワーク、バイオインフォマティクスに応用された機械学習の急速に成長するサブフィールドである。 本稿では,グラフ注意ネットワークの挙動を理論的に検討する。 ガウスの手段間の距離が十分大きい「容易」な体制では、グラフの注意はクラス内縁とクラス間縁を区別することができる。 硬い」体制では、すべての注意機構がクラス内エッジとクラス間エッジを区別できないことを示す。
  論文  参考訳（メタデータ） (2022-02-26T04:58:36Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。